作
者 | 吴海波
责编 | 何永灿
通常
机器学习在电商领域有三大应用：推荐、搜索、广告，这次我们聊聊三个领域里都会涉及到的商品排序问题。
从业务角度，一般是在一个召回的商品集合里，通过对商品排序，追求GMV或者点击量最大化。进一步讲，就是基于一个目标，如何让流量的利用效率最高。很自然的，如果我们可以准确预估每个商品的GMV转化率或者点击率，就可以最大化利用流量，从而收益最大。
蘑菇街是一个年轻女性垂直电商平台，主要从事服饰鞋包类目，2015年时全年GMV超过了百亿，后与美丽说合并后公司更名为美丽联合集团。2014年时入职蘑菇街，那时候蘑菇街刚刚开始尝试机器学习，这3年中经历了很多变化，打造爆款、追求效率、提升品质等等。虽然在过程中经常和业务方互相challenge，但我们的理念——技术服务于业务始终没有变化过。模型本身的迭代需配合业务目标才能发挥出最大的价值，因此选择模型迭代的路线，必须全盘考虑业务的情况。
在开始前，先和大家讨论一些方法论。在点击率预估领域，常用的是有监督的模型，其中样本、特征、模型是三个绕不开的问题。首先，如何构建样本，涉及模型的目标函数是什么，即要优化什么。
原则上，我们希望样本构建越接近真实场景越好。比如点击率模型常用用户行为日志作为样本，曝光过没有点击的日志是负样本，有点击的是正样本，去构建样本集，变成一个二分类。在另一个相似的领域——Learning to rank，样本构建方法可以分为三类：pointwise、pairwise、listwise。简单来讲，前面提到的构建样本方式属于pointwise范畴，即每一条样本构建时不考虑与其他样本直接的关系。
但真实的场景中，往往需要考虑其他样本的影响，比如去百度搜一个关键字，会出来一系列的结果，用户的决策会受整个排序结果影响。故pairwise做了一点改进，它的样本都是由pair对组成，比如电商搜索下，商品a和商品b可以构建一个样本，如果a比b好，样本pair{a，b}是正样本，否则是负样本。
当然，这会带来新问题，比如a>b，b>c，c>a，这个时候怎么办？有兴趣的同学可以参
考From RankNet to LambdaRank to LambdaMART: An Overview
。而listwise就更接近真实，但复杂性也随之增加，工业界用的比较少，这里不做过多描述。理论上，样本构建方式listwise>pairwise>pointwise，但实际应用中，不一定是这个顺序。比如，你在pointwise的样本集下，模型的fit情况不是很好，比如auc不高，这个时候上pairwise，意义不大，更应该从特征和模型入手。一开始就选择pairwise或者listwise，并不是一种好的实践方式。
其次是模型和特征，不同模型对应不同的特征构建方式，比如广告的点击率预估模型，通常就有两种组合方式：采用大规模离散特征+logistic regression模型或中小规模特征+复杂模型。比如gbdt这样的树模型，就没有必要再对很多特征做离散化和交叉组合，特征规模可以小下来。很难说这两种方式哪种好，但这里有个效率问题。
在工业界，机器学习工程师大部分的时间都是花在特征挖掘上，因此很多时候叫数据挖掘工程师更加合适，但这本身是一件困难且低效难以复用的工作。希望能更完美干净地解决这些问题，是我们从不停地从学术界借鉴更强大的模型，虽然大部分不达预期，却不曾放弃的原因。
言归正传，下文大致是按时间先后顺序组织而成。
蘑菇街原来是做淘宝导购起家，在2013年转型成电商平台，刚开始的商品排序是运营和技术同学拍了一个公式，虽然很简单，但也能解决大部分问题。作为一个初创的电商平台，商家数量和质量都难以得到保障。当时公式有个买手优选的政策，即蘑菇街上主要售卖的商品都是经过公司的买手团队人工审核，一定程度上保证了平台的口碑，同时竖立平台商品的标杆。但这个方式投入很重，为了让这种模式得到最大收益，必须让商家主动学习这批买手优选商品的运营模型。另一方面，从技术角度讲，系统迭代太快，导致数据链路不太可靠，且没有分布式机器学习集群。我们做了简化版的排序模型，将转化、点击、GMV表现好的一批商品作为正样本，再选择有一定曝光且表现不好的商品作为负样本，做了一个爆款模型。该模型比公式排序的GMV要提升超过10%。
从结果上，这个模型还是很成功的，仔细分析下收益的来源：对比公式，主要是它更多相关的影响因子（即它的特征），而且在它的优化目标下学到了一个最优的权重分配方案。而人工设计的公式很难包含太多因素，且是拍脑袋决定权重分配。由于这个模型的目标很简单，学习商品成为爆款的可能性，因此做完常见CVR、CTR等统计特征，模型就达到了瓶颈。
到了2015年，平台的DAU、GMV、商家商品数都在快速膨胀，原来的模型又暴露出新的业务问题。一是该模型对目标做了很大简化，只考虑了top商品，对表现中等的商品区分度很小；二是模型本身没有继续优化的空间，auc超过了95%。这个时候，我们的数据链路和Spark集群已经准备好了。借鉴业界的经验，开始尝试转化率模型。
我们的目标是追求GMV最大化。因此最直接的是对GMV转化率建模，曝光后有成交的为正样本，否则为负样本，再对正样本按price重采样，可以一定程度上模拟GMV转化率。另一种方案，用户的购买是有个决策路径的，gmv = ctr * cvr * price，取log后可以变成log(gmv) = log(ctr) + log(cvr) + log(price)，一般还会对这几个目标加个权重因子。这样，问题可以拆解成点击率预估、转化率预估，最后再相加。从我们的实践经验看，第二种方案的效果优于第一种，主要原因在于第二种方案将问题拆解成更小的问题后，降低了模型学习的难度，用户购不购买商品的影响因素太多，第一种方案对模型的要求要大于后面的。但第二种方案存在几个目标之间需要融合，带来了新的问题。可以尝试对多个模型的结果，以GMV转化率再做一次学习得到融合的方案，也可以根据业务需求，人工分配参数。
模型上我们尝试过lr和lr+xgboost。lr的转化率模型对比爆款模型转化率有8%以上的提升，lr+xgboost对比lr gmv转化率有5%以上的提升。但我们建议如果没有尝试过lr，还是先用lr去积累经验。在lr模型中，我们把主要的精力放在了特征工程上。在电商领域，特征从类型上可以分为三大种类：商品、店铺、用户。又可以按其特点分为：
